Daten als schiere Menge

Big Data bezeichnet im engeren und im wörtlichen Sinne grosse Datenmengen. Elektronische Daten, welche zum Beispiel über Kommunikation und innerhalb aktiver Kundenbeziehungen gesammelt worden sind, gesammelt werden und als riesiges Datenvolumen auf IT-Systemen vorhanden sind.

Das „Big“ von Big Data steht in der Definition nach Gartner mit 3 V’s für die Dimensionen Volume (grosses Datenvolumen), Velocity (hohe Geschwindigkeit von Generierung und Transfer der Datenmengen) und Variety (grosse Bandbreite der Datentypen und Datenquellen).

Big Data Analytics

Im weiteren Sinne bezeichnet Big Data als Oberbegriff die Herausforderung, diese enormen Datenmengen zu analysieren, zu strukturieren, intelligent zu verknüpfen und dadurch sinnvoll auswertbar und nutzbar zu machen. Zum Beispiel für die Betrugserkennung. Im Marketing für Bedürfnisanalysen oder um aus bestehenden Datenbeständen optimal nutzbare Kundenprofile zu generieren.

Problemstellung

Die riesigen Datenmengen sind grundsätzlich verfügbar, jedoch oftmals zu gross, zu komplex, zu wenig strukturiert und zudem laufenden Änderungen und Erweiterungen unterworfen. Möglicherweise sind die Daten technisch (Hardware/Software) auf verschiedene, nicht kompatible, Systeme verteilt und deshalb ohne direkte Verbindung und nutzbare Relationen abgespeichert. Die Auswirkung: Vorhandene Daten können überhaupt nicht oder nur beschränkt und nicht effizient und umfassend analysiert, ausgewertet und in Zusammenhängen sichtbar werden.

Lösung: Intelligente Systeme und Data Science

Möglicherweise ist eine Harmonisierung von Systemen und Prozessen notwendig, um gewaltige Datenmengen gewissermassen in „einem Topf“ nutzbar und auswertbar zu machen. Das kann nur computergestützt und mit geeigneter Software geschehen. Stichworte dazu: Knowledge Discovery in Databases (KDD) als Begriff für den Gesamtprozess und Data Mining als Begriff für die eigentliche Datenanalyse.

Vor allem jedoch sind Spezialisten gefragt, die mit Big Data-Explorations-Werkzeugen umgehen können, um aus Datenbergen gewünschte Erkenntnisse sowie Muster und Korrelationen herauszufiltern. Profis, die in der Lage sind, aus diesen verdichteten Erkenntnissen die richtigen Schlüsse zu ziehen. Um Erkenntnisse und Resultate für verschiedene Zielgruppen verständlich zu präsentieren. Gute Data Scientists sind (noch) dünn gesät und aktuell sehr umworben.

Herausforderung

Big Data gehört gerade im Finanzbereich zu den grossen Herausforderungen. Ziel: Kundendaten (Demographie, Verhalten, Präferenzen, History, präferierte Serviceleistungen, Nutzung von Tools und Plattformen etc.) sollen analysiert, strukturiert, sinnvoll verknüpft und in gewünschter Form als interpretierbare Outputs zur Verfügung gestellt werden können.

Nutzen

Gelingt das, werden die riesigen Datenmengen erst wirklich nutzbar. Verborgene Muster und Korrelationen werden sichtbar. Kundengruppen oder Unternehmen und Einzelpersonen können nach bestimmten Kriterien (Wünsche, Verhaltensweisen, Präferenzen etc.) definiert, segmentiert und individuell behandelt werden. Bestimmte Muster liefern Hinweise zur Betrugserkennung oder Betrugsprävention.

Die auswertbaren Daten liefern Entscheidungsgrundlagen und schaffen Wettbewerbsvorteile. Sie lassen sich für Trendforschung, Zukunftsforschung und damit für die Entwicklung neuer Geschäftsmodelle heranziehen. Und selbstverständlich auch in Bereichen, die in den nächsten Jahren an Gewicht noch zunehmen dürften: Betrugserkennung und regulatorische Vorgaben.